Analisis One-Way dan Two-Way MANOVA Pada Data Proses

Pembakaran CO dan Temperatur Gas Buang pada Boiler di

PLTU Paiton Swasta Phase II
Habib Jazuli(06211540000028)(1), Kartika Dwi Ayu Ramadhani (06211540000038),
Juwitasari Nur Rachmawati(0621540000046)(3), Dr. Santi Wulan Purnami,S.Si, M.Si.(19720923 199803)(4)
Departemen Statistika, Fakultas Matematika, Komputasi, dan Sains Data,
Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia
e-mail: (1)hjazuli10@gmail.com, (2)ayudwi433@gmail.com, (3)jusa.juwitasari@gmail.com, (4)santiwulan08@gmail.com

Abstrak— Peningkatan konsumsi listrik di Indonesia sejalan
dengan peningkatan pertumbuhan ekonomi nasional. Di
Indonesia, pemakaian listrik oleh penduduknya dapat dikatakan
masih sedikit jika dibandingkan dengan negara maju.
Pertambahan dan penyediaan akses listrik dinilai dapat
memajukan perekonomian Indonesia. Salah satu pembangkit
tenaga listrik terbesar di Indonesia adalah PLTU Paiton Phase II
yang terletak di Probolinggo, Jawa Timur. PLTU ini
menggunakan batubara sebagai pembangkitnya dan nantinya
akan menjadi energi panas dalam bentuk uap panas lalu diubah
menjadi energi listrik. Pada penelitian ini dilakukan pengamatan
terhadap kadar CO serta temperatur gas buang yang dihasilkan
boiler dengan beberapa kombinasi setting, yakni tilting dan
distribusi uap atau udara pada proses pembakaran. Penelitian ini
menggunakan metode one-way MANOVA dan two-way
MANOVA, yang mana terlebih dahulu dilakukan pengujian
asumsi dan diketahui bahwa data kadar gas CO dan temperatur
gas keluaran pembakaran memenuhi asumsi dependensi secara
one-way maupun two-way MANOVA. Selanjutnya, data dalam
pengujian one-way untuk level 1 tilting tidak memenuhi asumsi
distribusi normal multivariat. Pada uji homogenitas, asumsi
homogen tidak terpenuhi untuk two-way MANOVA, tetapi
memenuhi asumsi homogen untuk one-way MANOVA. Namun,
pada praktikum ini diasumsikan data telah memenuhi asumsi
yang diperlukan. Dari pengujian dengan one-way MANOVA
dapat diketahui bahwa tilting berpengaruh signifikan terhadap
kadar CO dan temperatur gas keluaran pembakaran dengan level
pengaruh rendah. Begitu pula dengan pengujian two-way
MANOVA yang memberi kesimpulan bahwa secara individu
tilting dan distribusi udara berpengaruh signifikan terhadap
kadar CO dan temperatur gas keluaran pembakaran, namun
secara interaksi tidak berpengaruh signifikan.
Kata Kunci—Distribusi Udara, Kadar CO dan Temperatur Gas
Buang, One-Way MANOVA, Tilting, Two-Way MANOVA
I. PENDAHULUAN
onsumsi listrik Indonesia setiap tahunnya terus
merupakan komponen utama di dalam proses produksi bagi
manufaktur hingga Usaha Kecil Menengah (UKM).
Banyak sekali pembangkit listrik yang ada di Indonesia,
salah satunya yaitu Pembangkit Listrik Tenaga Uap (PLTU)
Paiton Phase II. PLTU Paiton Phase II merupakan perusahaan
pembangkit listrik swasta PMA (Penanaman Modal Asing)
yang terletak di Jawa Timur. Pembangkit listrik ini memiliki
dua buah unit pembangkit yang menggunakan bahan bakar
batubara sebagai pembangkit boiler-nya. Pada prinsipnya
proses pembangkit listrik tenaga uap ini merupakan rangkaian
perubahan energi yang mengubah energi kimia menjadi energi
panas dalam bentuk uap panas di dalam boiler. Energi panas
dalam bentuk uap panas ini kemudian diubah menjadi energi
mekanik atau kinetik oleh turbin yang akan diubah menjadi
energi listrik[3].
Pada penelitian ini ingin diketahui pengaruh tilting dan
distribusi udara terhadap kandungan gas dan temperature gas.
Metode yang sesuai dengan penelitian ini yaitu metode
Multivariate Analysis of Variance (MANOVA). MANOVA
dipilih karena jumlah variabel respon lebih dari satu serta ingin
dilihat pengaruh kadar CO dan temperatur gas buang dengan
beberapa kombinasi setting proses pembakaran melalui dua
jenis MANOVA, yaitu one-way MANOVA dan two-way
MANOVA. Sebelum melakukan analisis, asumsi dari variabel
respon perlu dipenuhi antara lain data berdistribusi normal
multivariat, antar variabel respon dependen, dan matriks
varians-kovarians yang homogen.
II. TINJAUAN PUSTAKA
A. Statistika Deskriptif
Statistika adalah ilmu mengumpulkan, menata,
menyajikan, menganalisa dan menginterpretasikan data angka
dengan tujuan membantu pengambilan keputusan yang
efektif[4]. Statistika menerjemahkan rumusan matematika
menjadi bahasa yang dapat dipahami oleh masyarakat dengan

K meningkat sejalan dengan peningkatan pertumbuhan

ekonomi nasional. Oleh karena itu, prakiraan kebutuhan
listrik jangka panjang di Indonesia sangat diperlukan agar dapat
menggambarkan kondisi kelistrikan saat ini dan masa datang.
latar pendidikan non-statistika dan juga menerjemahkan
berbagai macam persoalan kedalam rumusan matematika.
Statistika terdiri dari dua macam yaitu statistika deskriptif dan
statistika inferensia.
Dengan diketahuinya perkiraan kebutuhan listrik jangka
Statistika deskriptif merupakan metode yang digunakan
panjang akan dapat ditentukan jenis dan perkiraan kapasitas
untuk menyajikan data agar lebih informatif. Dalam arti lain,
pembangkit listrik yang dibutuhkan di Indonesia selama kurun
statistika deskriptif adalah metode-metode yang berkaitan
waktu tersebut[1]. Hal ini didukung dengan pernyataan wakil
dengan pengumpulan dan penyajian suatu gugus data sehingga
menteri ESDM[2], bahwa peningkatan rasio elektrifikasi dan
memberikan informasi yang berguna.
penyediaan listrik dibutuhkan agar konsumsi listrik dalam
1. Rata-Rata
negeri dapat meningkat. Dampaknya, penambahan akses listrik
Rata-rata atau sering disebut mean merupakan rasio dari
dapat menjadikan ekonomi semakin maju, karena listrik
total nilai pengamatan dengan banyaknya pengamatan[4]. Rata-
 2
rata merupakan suatu ukuran pemusatan data yang sering ⋯ ≤ 𝑑(𝑛)
digunakan dalam mendeskripsikan suatu data. Berikut adalah 2
3. Membuat Q-Q plot atau Chi-square plot nilai 𝑑(𝑗) sebagai
rumus untuk menghitung nilai rata-rata.
n sumbu X dan nilai  2  n − j + 0,5  sebagai sumbu Y
x i
p;
 n


x= i =1 (1) Jika hasil plot membentuk garis lurus maka data tersebut dapat
n dinyatakan mengikuti distribusi normal multivariat.
Keterangan : Dalam pemeriksaan dengan proporsi square distance (dj2)
x : Nilai rata-rata 2
jika proporsi square distance (dj2) ≤ 𝜒(𝑝;0,5) berada di kisaran
xi : Data pengamatan ke- i dengan nilai i = 1, 2,..., n 0,5 atau 50%, hal ini mengindikasikan bahwa data berdistribusi
n : Banyaknya pengamatan normal multivariat.
2. Varians Pengujian normal multivariat dapat dilakukan dengan
Varians adalah ukuran yang mendeskripsikan penyebaran melihat nilai koefisien korelasi dengan hipotesis yang
suatu data dan dapat dihitung menggunakan rumus sebagai digunakan adalah sebagai berikut.
berikut. H0 : data berdistribusi normal multivariat
∑𝑛
𝑖=1(𝑋1 −𝑥̅ ) ∑𝑛 2
𝑖=1 𝑋𝑖 −𝑛𝑥̅
2 H1 : data tidak berdistribusi normal multivariat
𝑆2 = 𝑛−1
= 𝑛−1
(2) Kriteria pemenuhan asumsi normal multivariat dapat diketahui
Keterangan : melalui statistik uji koefisien korelasi yang dirumuskan sebagai
S2 : Nilai deviasi standard berikut[6].
∑𝑛 ̅)
𝑗=1(𝑥(𝑗) −𝑥̅ )(𝑞(𝑗) −𝑞
x : Nilai rata-rata 𝑟𝑄 = (6)
√∑𝑛 𝑛
𝑗=1(𝑥(𝑗) −𝑥̅ )√∑𝑗=1(𝑞(𝑗) −𝑞
̅)
xi : Data pengamatan ke- i dengan nilai i = 1, 2,..., n
H0 ditolak jika 𝑟𝑄 < 𝑟𝑛,𝛼 , dengan 𝑟𝑄 adalah koefisien korelasi
n : Banyaknya pengamatan
B. Uji Bartlett’s Sphericity antara q( j ) =  2  n − j + 0,5  dan 𝑥(𝑗) = 𝑑𝑗2 , sedangkan 𝑟𝑛,𝛼
p; 
Variabel X1, X2, …, Xp dikatakan bersifat saling bebas  n 

(independen) jika matriks korelasi antar variabel membentuk merupakan titik kritis Q-Q Plot pada tabel uji koefisien korelasi
matriks identitas. Untuk menguji kebebasan antar variabel ini untuk normalitas. Kriteria gagal tolak H0 memberi kesimpulan
dapat dilakukan uji Bartlett’s Sphericity berikut[5]. bahwa data berdistribusi normal multivariat.
Hipotesis: D. Uji Homogenitas Matriks Varians Kovarians
H0: ρ = I (independen) Pemeriksaan kesamaan matriks varians kovarians antara
H1: ρ ≠ I (tidak independen) dua populasi atau lebih dilakukan dengan Box’s M test yang
Statistik uji: dirumuskan sebagai berikut[7].
1 p 2 Uji Hipotesis :
rk =  rik k=1,2,…,p r =   rik (3) H0 : ∑1 = ∑2 = … = ∑k = ∑ , =1,2,…,k (matriks varians-
p − 1 i =1 p ( p − 1) i  k kovarians bersifat multivariat homoskedastisitas)
( p − 1) 1 − (1 − r )  H1 : minimal ada satu ∑ ≠ ∑j , ,j=1,2,…,k (matriks varians-
2 2

ˆ = (4) kovarians tidak bersifat multivariat homoskedastisitas)

p − ( p − 2)(1 − r )
2
Statistik Uji:
Dimana : 𝐶 = (1 − 𝑢)𝑀 (7)
rk : Rata-rata elemen diagonal pada kolom atau baris ke k dimana
1 1 2𝑝2 +3𝑝−1
dari matrik R (matrik korelasi) 𝑢 = [∑𝑙 −∑ ][ ] (8)
(𝑛𝑙 −1) 𝑙(𝑛𝑙 −1) 6(𝑝+1)(𝑔−1)
r : Rata-rata keseluruhan dari elemen diagonal. 𝑀 = [∑𝑙(𝑛𝑙 − 1]𝑙𝑛|𝑆𝑝𝑜𝑜𝑙𝑒𝑑 | − ∑𝑙[(𝑛𝑙 − 1)𝑙𝑛|𝑆𝑙 |] (9)
1
Daerah kritis : Tolak H0 jika T >Chi-square 𝑆𝑝𝑜𝑜𝑙𝑒𝑑 = ∑ {(𝑛1 − 1)}𝑆1 + (𝑛2 − 1)𝑆2 + ⋯ + (𝑛𝑔 − 1)𝑆𝑔 (10)
𝑙(𝑛𝑙 −1)
( n − 1) 
  ( rik − r ) − ˆ  ( r k − r )    ( p +1)( p − 2)/ 2;
2 p
2 2 Keterangan :
2 
(5)
(1 − r )  i  k k = 1 
 𝑛𝑙 = Ukuran sampel untuk th grup
𝑆𝑙 = Sampel kovarians untuk th grup
C. Uji Distribusi Normal Multivariat p = Banyaknya variabel
Pemeriksaan normal multivariat dapat dilakukan dengan g = Banyaknya grup
dua cara, yaitu secara visual dengan Q-Q plot antara square 2 1
distance (dj2) dengan nilai kuantil dari distribusi Chi- Daerah kritis: Tolak H0 jika 𝐶 > 𝑋𝑣(𝑎) dengan 𝑣 = 𝑝(1 +
2

Square(
𝑗−0,5
) dan dengan nilai proporsi square distance atau 𝑝)(𝑔 − 1).
𝑛 E. One-Way Multivariate Analysis of Variance
jarak Mahalanobis (dj2). Pemeriksaan normal multivariat secara Multivariate analysis of variance atau sering disebut
visual dengan Q-Q plot dapat dilakukan dengan langkah- dengan MANOVA adalah metode statistika yang digunakan
langkah sebagai berikut [6]. secara sekaligus untuk memeriksa hubungan antara beberapa
1. Menghitung nilai square distance (dj2) untuk setiap variabel kategorik (biasanya berkenaan dengan treatments atau
pengamatan perlakuan) dan dua atau lebih variabel dependen metrik..
2. Mengurutkan nilai dj2 seluruh pengamatan yang diperoleh MANOVA berguna bagi peneliti dalam merencanakan sebuah
2 2
dari perhitungan di atas sedemikian hingga 𝑑(1) ≤ 𝑑(2) ≤ percobaan untuk menguji hipotesis mengenai varians pada
kelompok respon dengan dua atau lebih variabel dependen dengan =1, 2,…, g; k =1, 2,…, b dan r =1, 2,…, n
metrik[8]. dimana,
Asumsi yang berlaku dalam MANOVA antara lain sebagai g b g b
berikut [8].  τ = β = γ =  γ
=1 k =1
k
=1
k
k =1
k =0. (13)
1. Setiap variabel respon bersifat dependen
2. Variabel independen adalah kategorik dan variabel Vektor-vektor tersebut berorde px1, dan e kr merupakan vektor
dependen merupakan variabel kontinu dengan masing- random independen N p (0, Σ) . Sehingga, respon terdiri dari p
masing mempunyai korelasi antar variabel
3. Data terdistribusi normal dan keragaman antar kelompok ukuran dengan pengulangan n kali pada setiap kemungkinan
sama. kombinasi dari level pada faktor 1 dan faktor 2. Tabel two-way
Berikut adalah persamaan yang dapat digunakan dalam MANOVA dapat dilihat pada Tabel 3[9].
analisis One-Way MANOVA. Hipotesis yang digunakan untuk pengujian interaksi faktor
𝒀𝑖𝑗 = 𝝁 + 𝝉𝑖 + 𝒆𝑖𝑗 , j=1, 2,…, ni; i=1, 2,..., g (11) 1 dan faktor 2 adalah sebagai berikut.
Keterangan: H0 : γ11 = γ12 =…= γgb= 0
𝑌𝑖𝑗 : observasi ke-j dari grup ke-i H1 : paling sedikit ada satu γlk ≠ 0, untuk = 1, 2, ... , g dan k
𝜇 : rata-rata keseluruhan = 1, 2, ... , b
𝜏𝑖 : efek grup ke-I terhadap respon Statistik uji yang digunakan yaitu.
𝑒𝑖𝑗 : error pada observasi ke-j dari grup ke-i SSPres
 = (14)
g : banyak level treatments SSPint +SSPres
n : banyak ulangan dengan daerah kritis tolak H0 jika,
Hipotesis yang digunakan dalam MANOVA yaitu, p + 1 − ( g − 1)(b − 1) 
 2
H0: 𝝉1 = 𝝉2 = ⋯ = 𝝉𝑔 = 0 (tidak ada efek treatments terhadap −  gb(n − 1) −  ln *   ( g −1)(b−1) p ( ) (15)
 2 
respon)
Hipotesis yang digunakan untuk pengujian efek faktor 1
H1: Paling tidak ada satu 𝜏𝑖 ≠ 0, i = 1, 2, …, g (terdapat efek
sebagai berikut.
treatments terhadap respon)
H0 : τ1 = τ2 =…= τg= 0
Berikut ini adalah tabel dari pengujian one-way MANOVA.
Tabel 1. Tabel One-Way Manova
H1 : paling sedikit ada satu τl ≠ 0, untuk = 1, 2, ... , g
Sumber Derajat dengan statistik uji yang digunakan sebagai berikut.
Matriks Jumlah Kuadrat
Variasi Bebas (db) SSPres
𝑔
 = (16)
Perlakuan 𝐁 = ∑ 𝑛𝑙 (𝑿 ̅ )(𝑿
̅𝑙 − 𝑿 ̅ )′
̅𝑙 − 𝑿 g-1 SSP fac1 +SSPres
𝑙=1
𝑔 𝑛𝑙 daerah kritis tolak H0 jika
Error 𝐖 = ∑ ∑(𝑿 ̅ 𝑙 )(𝑿
̅ 𝑖𝑗 − 𝑿 ̅ 𝑙 )′
̅ 𝑖𝑗 − 𝑿 ∑𝑔𝑙=1 𝑛𝑙 −g  p + 1 − ( g − 1) 
 ln *   ( g −1) p ( ) (17)
2
−  gb(n − 1) −
𝑙=1 𝑗=1  2 
𝑔 𝑛𝑙
𝑔 Hipotesis yang digunakan untuk pengujian efek faktor 2
Total 𝐁 + 𝐖 = ∑ ∑(𝑿 ̅ )(𝑿
̅ 𝑖𝑗 − 𝑿 ̅ 𝑖𝑗
∑ 𝑛𝑙 − 1 sebagai berikut.
Terkoreksi 𝑙=1 𝑗=1
− 𝑿)′ 𝑙=1 H0 : β1 = β2 =…= βb = 0
Berikut adalah statistik uji dan derajat bebas Ftabel dari H1 : paling sedikit ada satu βk ≠ 0, untuk k = 1, 2, ... , b
pengujian one-way MANOVA. dengan statistik uji yang digunakan sebagai berikut.
Tabel 2. Distribusi Wilks Lambda ᴧ*=|W|/|B+W| SSPres
Jumlah Jumlah  = (18)
Distribusi sampling SSP fac 2 +SSPres
Variabel Grup
∑ 𝑛𝑡 − 𝑔 1 − ᴧ∗ daerah kritis tolak H0 jika
𝑝=1 𝑔≥2 ( ) ( ∗ ) ~𝐹𝑔−1,∑ 𝑛𝑡 −𝑔  p + 1 − (b − 1) 
𝑔−1 ᴧ 2
−  gb(n − 1) −  ln *   (b −1) p ( ) (19)
∑ 𝑛𝑡 − 𝑔 − 1 1 − √ᴧ∗  2 
𝑝=2 𝑔≥2 ( )( ) ~𝐹2(𝑔−1),2(∑ 𝑛𝑡 −𝑔−1) Tabel 3. Tabel Two-Way Manova
𝑔−1 √ᴧ∗ Derajat
∑ 𝑛𝑡 − 𝑝 − 1 1 − ᴧ∗ Sumber
Matriks Jumlah Kuadrat Bebas
𝑝≥1 𝑔=2 ( ) ( ∗ ) ~𝐹𝑝,∑ 𝑛𝑡 −𝑝−1 Variasi
𝑝 ᴧ (db)


g
∑ 𝑛𝑡 − 𝑝 − 2 1 − √ᴧ∗ Faktor 1 SSPfac1 = bn( x  − x)( x  − x)' g-1
𝑝≥1 𝑔=3 ( )( ) ~𝐹2𝑝,2(∑ 𝑛𝑡 −𝑝−2) =1
𝑝−2 √ᴧ∗

b
Faktor 2 SSPfac 2 = gn( xk − x)(xk − x)' b-1
Tolak H0 jika Fhitung ≥ Ftabel yang artinya terdapat perbedaan k =1
g b
perlakuan antar level atau kelompok.
F. Two-Way Multivariate Analysis of Variance
Interaksi SSPint =  n(x
=1 k =1
k − x  − xk + x)( x k − x  − xk + x)' (g-1)(b-
1)
Two-way MANOVA digunakan untuk melihat pengaruh g b n

dua faktor perlakuan dan interaksi kedua faktor terhadap lebih Error SSres =  (x
=1 k =1 r =1
kr − x k )( x kr − x k )' gb(n-1)
dari satu respon dimana model dari two-way MANOVA
g b n

 (x
sebagai berikut.
Total SStotal = − x)( x kr − x)' gbn-1
X kr = μ + τ + βk + γ lk + e kr kr
(12) =1 k =1 r =1
G. PLTU Paiton Swasta Phase II 2. Melakukan uji Bartlett pada data kandungan CO dan
Pembangkit Listrik Tenaga Uap (PLTU) Paiton Swasta temperatur gas buang baik untuk analisis one-way
Phase II dimiliki oleh PT. Jawa Power yang terletak di MANOVA maupun two-way MANOVA
Komplek PLTU Paiton, Probolinggo, Jawa Timur. PLTU 3. Melakukan pengujian asumsi distribusi normal multivariat
Paiton Swasta Phase II memiliki kapasitas 2 x 610 MW dengan pada data kandungan CO dan temperatur gas buang untuk
bahan bakar batubara yang menyediakan tenaga listrik untuk analisis one-way MANOVA
sistem transmisi Pulau Jawa – Bali sesuai dengan PPA (Power 4. Melakukan uji homogenitas pada data kandungan CO dan
Purchase Agreement) yang ditandatangani dengan PT. PLN temperatur gas buang, baik untuk analisis one-way
(Persero) pada tanggal 3 April 1995. MANOVA maupun two-way MANOVA
Kegiatan PLTU Paiton Swasta Phase II (PT Jawa Power) 5. Menguji pengaruh perlakuan tilting terhadap kandungan
telah beroperasi sejak tahun 2000 (Commercial Operation CO dan temperatur gas buang menggunakan one-way
Date/COD Unit 60 pada tanggal 20 Juli 2000, sedangkan COD MANOVA
Unit 50 pada tanggal 4 November 2000). Sekarang ini PLTU 6. Menguji pengaruh perlakuan tilting dan distribusi udara
telah beroperasi secara komersial dan secara kontinyu serta interaksinya terhadap kandungan CO dan temperatur
melakukan Pemantauan Lingkungan guna memperlihatkan gas buang menggunakan two-way MANOVA
efektifitas dari RKL serta perubahan-perubahan yang mungkin 7. Menarik kesimpulan dan memberikan saran.
dilakukan untuk meningkatkan kinerja lingkungannya.
Parameter lingkungan yang dipantau dan dikelola sesuai IV. ANALISIS DAN PEMBAHASAN
dengan ANDAL, RKL dan RPL yang telah disahkan[10]. A. Statistika Deskriptif
Dalam menggambarkan atau mendeskripsikan suatu data
III. METODOLOGI PENELITIAN untuk mengetahui karakteristik dari data tersebut dapat
A. Sumber Data dilakukan analisis statistika deskriptif. Adapun berbagai
Data yang digunakan dalam penelitian ini adalah data karakteristik data yang dijelaskan pada statistika deskriptif ini
sekunder, yaitu data yang diambil dari Tugas Akhir oleh Dian diantaranya seperti rata-rata (mean), varians (variance), nilai
Susana Henri (1310105020), mahasiswa Statistika ITS maksimum dan minimum. Pada praktikum kali ini, akan
Surabaya dengan judul “Optimasi Multirespon Metode Taguchi dianalisis statistika deskriptif menggunakan data Proses
dengan Pendekatan Quality Loss Function (Study Kasus Proses Pembakaran CO dan Temperatur Gas Buang pada Boiler di
Pembakaran CO dan Temperatur Gas Buang Pada Boiler di PLTU Paiton Swasta Phase II di setiap levelnya. Berikut output
PLTU Paiton Swasta Phase II” pada hari Jumat, 6 April 2018 analisis Statistika Deskriptif pada data Proses Pembakaran CO
di Ruang Baca Statistika pukul 09.00 WIB. dan Temperatur Gas Buang pada Boiler di PLTU Paiton Swasta
B. Variabel Penelitian Phase II pada level 1 sampai level 3
Variabel penelitian yang digunakan merupakan multivariat Tabel 5. Statistika deskriptif
yang memiliki dua variabel respon bertipe kuantitatif, yaitu Variable Mean Variance Minimum Maximum
kandungan CO dan temperatur gas buang dan dua variabel CO (mg/Nm)_T1 73.33 467.29 42 110
prediktor bertipe kategorik, yaitu tilting dan distribusi udara. Temp (°C)_T1 139.52 6.55 136.4 147.3
Berikut variabel penelitian yang digunakan dalam membuat CO (mg/Nm)_DU1 77.22 214.18 60 110
penelitian ini. Temp (°C)_DU1 138.31 9.14 133.5 147.3
Tabel 4. Variabel Penelitian CO (mg/Nm)_T2 52.89 407.16 10 80
Variabel Keterangan Level Kondisi Variabel
Kandungan gas CO Temp (°C)_T2 137.31 3.05 133.4 140.1
Y1 yang dihasilkan - - CO (mg/Nm)_DU2 46.11 262.34 10 68
boiler Temp (°C)_DU2 137.39 5.92 132.2 143
Temperatur gas
Y2 keluaran cerobong - - CO (mg/Nm)_T3 77.11 223.63 46 98
boiler Temp (°C)_T3 135.53 3.89 132.2 139.1
1 +10° (mengarah keatas) CO (mg/Nm)_DU3 80 231.53 54 104
Tilting (sudut
X1 2 0° (horisontal)
pengarah nosel) Temp (°C)_DU3 136.65 5.4 132.4 139.8
3 -10° (mengarah kebawah)
Bias OFA 0,8 (konsentrasi Berdasarkan Tabel 5 di atas terlihat bahwa kandungan CO
1
udara keatas OFA) pada tilting (sudut pengarah nosel) level 1 lebih rendah yaitu
Distribusi udara (nilai
Bias OFA 0 (distribusi udara sebesar 73,33 dibandingkan kandungan CO untuk distribusi
X2 2 merata antara OFA dan udara yaitu sebesar 77,22. Sedangkan pada level 2 kandungan
bias OFA)
windbox)
Bias OFA 1,2 (konsentrasi CO untuk tilting (sudut pengarah nosel) lebih tinggi yaitu
3 sebesar 52,89 dibandingkan kandungan CO untuk distribusi
udara ke arah windbox)
C. Langkah Analisis udara. Kandungan CO untuk tilting level 3 lebih rendah
Adapun langkah-langkah yang digunakan dalam dibandingkan kandungan CO untuk distribusi udara. Pada
melakukan analisis dalam laporan ini adalah sebagai berikut temperatur, yang memiliki temperatur lebih tinggi adalah pada
1. Melakukan analisis statistika deskriptif pada data proses level 1 yaitu pada tilting (sudut pengarah nosel) yaitu sebesar
pembakaran CO dan temperatur gas buang pada boiler di 139,52.
PLTU Paiton Swasta Phase II B. Uji Bartlett’s Sphericity
Langkah pertama yang perlu dilakukan adalah menguji
apakah analisis MANOVA yang dilakukan memenuhi asumsi
bahwa antar variabel respon dependen. Pengujian asumsi
dependensi pada praktikum ini menggunakan analisis one-way
dan two-way MANOVA, dimana pada analisis one-way
MANOVA ingin diketahui apakah tilting untuk setiap level
pada kandungan gas CO (Y1) dan temperatur gas keluaran
pembakaran (Y2) mempunyai hubungan yang signifikan atau
tidak. Kemudian dengan bantuan software SPSS diperoleh hasil
pengujian dependensi untuk analisis one-way MANOVA
sebagai berikut.
Tabel 6. Uji Bartlett MANOVA One-Way
df Sig.
2 0,000
Tabel 6 menunjukkan p-value atau Sig. sebesar 0,000 dan
Gambar 2. QQ-Plot Y1 dan Y2 di level 2 untuk tilting
jika dibandingkan dengan α = 0,05 maka p-value < α sehingga
diperoleh keputusan tolak H0 yang artinya matriks korelasi
bukan merupakan matriks identitas. Dengan demikian dapat
disimpulkan bahwa terdapat korelasi antara kandungan gas CO
dan temperatur gas keluaran pembakaran, sehingga variabel Y1
dan Y2 dependen dan memenuhi asumsi MANOVA. Setelah
dilakukan analisis one-way MANOVA, kemudian analisis
dilanjutkan dengan analisis two-way MANOVA untuk
mengetahui apakah tilting dan distribusi udara setiap level pada
kandungan gas CO dan temperatur gas keluaran pembakaran
dependen. Sehingga, dengan bantuan software SPSS diperoleh
hasil pengujian dependensi sebagai berikut.
Tabel 7. Uji Bartlett MANOVA Two-Way
Gambar 3. QQ-Plot Y1 dan Y2 di level 3 untuk tilting
df Sig.
2 0,000 Berdasarkan pada Gambar 1 terlihat bahwa titik-titik pada
Ditunjukkan pada Tabel 7 bahwa p-value bernilai 0,000 Plot menjauhi garis linier yang terbentuk. Hal ini
mengindikasikan bahwa secara visual kandungan gas CO dan
yang artinya diperoleh keputusan tolak H0 dimana  = 0,05.
temperatur gas keluaran pembakaran pada tilting level 1 tidak
Artinya terdapat hubungan antara pada kandungan gas CO dan
berdistribusi normal multivariat. Begitu pula pada Gambar 2
temperatur gas keluaran pembakaran. Sehingga menggunakan
dan Gambar 3 dimana titik-titik pada plot menjauhi garis linier
analisis uji Barlett one-way dan two-way MANOVA, diperoleh
yang terbentuk. Hal ini juga mengindikasikan bahwa secara
kesimpulan bahwa data yang dipakai memenuhi asumsi
visual kandungan gas CO dan temperatur gas keluaran
dependensi.
pembakaran pada tilting level 2 dan level 3 tidak berdistribusi
C. Pengujian Multivariat Normal
normal multivariat.
Pengujian multivariat normal dilakukan pada variabel
Selanjutnya pemeriksaan dilakukan dengan melihat
kandungan gas CO (Y1) dan temperatur gas keluaran
pengujian Saphiro Wilk dengan hipotesis sebagai berikut
pembakaran (Y2) di setiap level pada variabel dependen yaitu
H0 : Data berdistribusi normal multivariate
tilting. Pemeriksaan asumsi multivariat normal dapat dilakukan
H1 : Data tidak berdistribusi normal multivariate
dengan dua cara, yaitu secara visual QQ-Plot dan pengujian
Nilai statistik uji diperoleh dari Software R dimana syntax
Saphiro Wilk. Nilai statistik uji dan QQ-Plot diperoleh
berada di lampiran. Berikut hasil uji Saphiro wilks untuk
menggunakan bantuan software R dengan syntax terdapat pada
variabel kandungan gas CO (Y1) dan temperatur gas keluaran
lampiran. Sebelum melakukan pengujian terlebih dahulu
pembakaran (Y2) di setiap level pada variabel dependen yaitu
melakukan pengecekan pada Q-Q Plot sebagai berikut.
Tilting.
Tabel 8. Uji Saphiro Wilk
Level W P-value
1 0.84517 0.007113
2 0.95853 0.5736
3 0.95032 0.4301
Berdasarkan hasil perhitungan dengan Software R di atas
dapat dilihat bahwa p-value sebesar 0,000 untuk variabel
kandungan gas CO (Y1) dan temperatur gas keluaran
pembakaran (Y2) pada tilting level 1. Keputusan tolak H0
apabila p-value<0,05. Sehingga untuk data ini H0 ditolak karena
p-value <0,05. Dengan demikian dapat disimpulkan bahwa data
tidak mengikuti sebaran nomal secara multivariate. Sedangkan
untuk variabel kandungan gas CO (Y1) dan temperatur gas
Gambar 1. QQ-Plot Y1 dan Y2 di level 1 untuk tilting
keluaran pembakaran (Y2) pada tilting level 2 dan level 3
memiliki p-value sebesar 0.5736 dan 0.4301 artinya gagal tolak
H0 dan disimpulkan data mengikuti sebaran nomal secara Berdasarkan Tabel 12 diperoleh nilai p-value sebesar 0.000
multivariate karena p-value >0.05. dimana p-value kurang dari α yaitu 0.05 artinya tilting memiliki
D. Pengujian Homogenitas pengaruh yang besar terhadap kandungan gas CO dan
Pengujian Homogenitas bertujuan untuk mengetahui temperatur gas keluaran pembakaran. Hasil Wilks lambda yaitu
apakah matriks kovarians antar populasi bersifat homogen, sebesar 0.463 artinya nilai tersebut mendekati 0 dimana
sehingga pengujian homogenitas dilakukan dengan metode ketentuan untuk uji One-Way, nilai Wilks Lambda mendekati 0
Box’s M Test. Pada praktikum ini dilakukan analisis one-way dan nilai Partial Eta mendekati 1. Namun pada hasil uji ini
dan two-way MANOVA dengan variabel independen yang memiliki nilai wilks lambda yang tidak sesuai dengan teori
berbeda sehingga pengujian homogenitas perlu dilakukan dimana nilai wilks lambda mendekati 0 dan nilai Partial Eta
secara terpisah atau sendiri-sendiri. Pada analisis one-way juga mendekati 0. Hal ini mengindikasikan terdapat asumsi
MANOVA uji ini dilakukan untuk mengetahui apakah tilting yang belum terpenuhi yaitu distribusi normal secara Multvariat
untuk setiap level pada kandungan gas CO dan temperatur gas pada tilting level 1.
keluaran pembakaran telah homogen atau memiliki matriks F. Two-Way MANOVA (Multivariate Analysis of Variance)
varians-kovarians yang sama. Dengan bantuan software SPSS Two-way MANOVA digunakan untuk menyelidiki
diperoleh hasil pengujian homogenitas untuk analisis one-way pengaruh faktor tilting dan distribusi udara, dengan masing-
MANOVA sebagai berikut. masing faktor memiliki tiga level, terhadap kandungan gas CO
Tabel 9. Uji Homogenitas MANOVA One-Way dan temperatur gas keluaran pembakaran. Berikut merupakan
Box’s M F df1 df2 Sig. tabel two-way MANOVA.
5,198 0,817 6 64824,923 0,556 Tabel 13. Tabel Two-Way MANOVA
Berdasarkan Tabel 9 dapat dilihat bahwa p-value atau Sig. Sumber Keragaman Matriks SSCP df
sebesar 0,556. Nilai tersebut lebih besar dari  dimana =0,05,  6113,778 −76,622 
X1 SSP1 =   2
sehingga diperoleh keputusan gagal tolak H0. Artinya, tilting  −76,622 143,380 
tiap level pada kandungan gas CO dan temperatur gas keluaran 12744, 444 −7,944 
pembakaran telah homogen. Kemudian, analisis dilanjutkan X2 SSP2 =   2
dengan analisis two-way MANOVA. Tujuan dari analisis two-  −7,944 24,923 

way MANOVA adalah untuk mengetahui apakah tilting dan  288, 444 −8, 211
X1*X2 SSPint =   4
distribusi udara setiap level pada kandungan gas CO dan  −8, 211 3,925 
temperatur gas keluaran pembakaran telah homogen atau  5634,667 −199, 400 
Eror SSPres =   45
memiliki matriks varians-kovarians yang sama. Diperoleh hasil  −199, 400 200,527 
pengujian homogenitas dengan bantuan software SPSS sebagai Total SSP1+ SSP2+ SSPint+ SSPres 53
berikut. Dapat dilihat pada Tabel 13 matriks SSCP dari faktor
Tabel 10. Uji Homogenitas MANOVA Two-Way
Box’s M F df1 df2 Sig. tilting, faktor distribusi udara, interaksi antara faktor tilting dan
59,215 2,062 24 6189,623 0,002 distribusi udara, serta residual dan total. Dengan bantuan
Diketahui dari Tabel 10 bahwa p-value atau Sig. adalah software SPSS diperoleh nilai Wilks Lambda sebagai berikut.
Tabel 14. Uji Wilks Lambda Two-Way MANOVA
sebesar 0,002 dan lebih kecil dari  = 0,05. Dengan demikian Effect Value F Sig. Partial Eta Squared
diperoleh keputusan tolak H0 yang artinya tilting dan distribusi X1 0,275 19,953 0,000 0,476
udara tiap level pada kandungan gas CO dan temperatur gas X2 0,266 20,668 0,000 0,484
keluaran pembakaran tidak homogen atau memiliki matriks X1* X2 0,933 0,3860 0,926 0,034
varians-kovarians yang berbeda. Namun, pada praktikum ini Berdasarkan Tabel 14 diperoleh nilai p-value pada variabel
diasumsikan data telah homogen. tilting (X1) sebesar 0.000 dimana nilai p-value ini kurang dari α
E. One-Way MANOVA (Multivariate Analysis of Variance) yaitu 0.05 artinya tilting memiliki pengaruh yang besar
Uji one-way MANOVA dilakukan untuk mengetahui terhadap kandungan gas CO dan temperatur gas keluaran
apakah tilting berpengaruh terhadap kandungan gas CO dan pembakaran. Begitu pula untuk variabel distribusi udara (X2)
temperatur gas keluaran pembakaran. Berikut merupakan tabel memiliki p-value sebesar 0.000 dimana p-value kurang dari α
one-way MANOVA dari faktor tilting. yaitu 0.05 artinya distribusi udara memiliki pengaruh yang
Tabel 11. Tabel One-Way MANOVA besar terhadap kandungan gas CO dan temperatur gas keluaran
Sumber Keragaman Matriks SSCP df
pembakaran. Sedangkan untuk interaksi antara variabel tilting
 6113,778 -76,622 
Tilting B=  2 dan distribusi udara memiliki p-value sebesar 0.926 dimana
 -76,622 143,380 
lebih dari α yaitu 0.05, artinya interaksi antara tilting dan
18667,556 -215,556 
Eror W=  51 distribusi udara tidak memiliki pengaruh yang besar terhadap
 -215,556 229,374 
 24781,334 -292,178 
kandungan gas CO dan temperatur gas keluaran pembakaran.
Total B+W =  53 Apabila dilihat pada nilai Wilks Lambda juga terbukti bahwa
 -292,178 372, 754 
interaksi antara tilting dan distribusi udara tidak memiliki
Pada Tabel 11 diperoleh matriks SSCP (Sum of Squares
pengaruh yang besar terhadap kandungan gas CO dan
and Cross Products) dari perlakuan tilting, residual, dan total
temperatur gas keluaran pembakaran karena nilai Wilks
dari faktor tilting sehingga diperoleh nilai Wilks Lambda
Lambda mendekati 1 dan nilai Partial Eta mendekati 0. Namun
sebagai berikut.
Tabel 12. Uji One-Way MANOVA
untuk tilting dan distribusi udara memiliki nilai Wilks Lambda
Statistik Uji Value F Sig. Partial Eta Squared dan nilai Partial Eta tidak sesuai teori dan diindikasi terdapat
Wilks Lambda 0,463 11,749 0,000 0,320 asumsi yang belum terpenuhi yaitu homogenitas.
 V. KESIMPULAN/RINGKASAN Temperatur Gas Buang Pada Boiler Di PLTU Paiton Swasta
A. Kesimpulan Phase II). Surabaya: Tugas Akhir: Jurusan Statistika Fakultas
Berdasarkan hasil analisis dan pengolahan data yang telah Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi
dilakukan maka dapat diperoleh kesimpulan sebagai berikut. Sepuluh Nopember.
[4] Walpole, Ronald E. (1993). Pengantar Statistika Edisi ke-3,
1. Hasil analisis statistika deskriptif pada data Proses Jakarta : Gramedia Pustaka Utama.
Pembakaran CO dan Temperatur Gas Buang pada Boiler di [5] Johnson, N. And Wichern, D. (2007). Applied Multivariate
PLTU Paiton Swasta Phase II pada level 1 sampai level 3, Statistical Analysis, 5th Edition. New Jersey: Prentice Hall,
menunjukkan bahwa kandungan CO pada tilting level 1 dan Englewood Cliffs.
3 lebih rendah dibandingkan kandungan CO untuk [6] Hidayat, A. (2016). Penjelasan Tentang Analisis Multivariat dan
Distribusi Udara. Sedangkan pada level 2, kandungan CO Jenisnya. Diakses pada 25 Februari 2017, dari
untuk tilting lebih tinggi yaitu sebesar 52,89 dibandingkan https://www.statistikian.com/2016/11/analisis-multivariat.html.
kandungan CO untuk Distribusi Udara. Pada temperatur [7] Morisson, Donald F. (2005). Multivariat Statistical Methods.
yang memiliki temperatur lebih tinggi adalah pada level 1 Aukland: Mc Graw Hill.
[8] Santoso, Singgih. (2010). Statistik Multivariat, Konsep dan
yaitu pada tilting (sudut pengarah nosel) yaitu sebesar Aplikasi dengan SPSS. Jakarta: PT Elex Media Komputindo.
139,52. [9] Joseph F. H. J. R, William C. B, Barry J.B, Rolph E. A. (2010).
2. Data kandungan gas CO dan temperatur gas keluaran Multivariate Data Analysis: Seventh Edition. New Jersey:
pembakaran memenuhi asumsi dependensi baik untuk Pearson Prentice Hall.
analisis one-way maupun two-way MANOVA. Selanjutnya [10] PT. Sucifindo Prima Internasional Konsultan. (2015). Laporan
asumsi distribusi normal multivariat pada tilting level 1 Monitoring Lingkungan PLTU Paiton Swasta Tahap II,
tidak terpenuhi, sedangkan untuk level 2 dan level 3 Probolinggo, Jawa Timur. Jakarta: PT. Sucifindo.
berdistiribusi normal multivariat. Dalam uji one-way
MANOVA tilting tiap level pada kandungan gas CO dan LAMPIRAN
Lampiran 1
temperatur gas keluaran pembakaran telah memenuhi Data Kandungan Gas CO dan Temperatur Gas Buang pada
asumsi homogen, sebaliknya dalam uji two-way MANOVA Pembakaran Batubara di PLTU Paiton
tilting dan distribusi udara tiap level pada kandungan gas No. CO (mg/Nm) Temp (°C) Tilting Distribusi Udara
CO dan temperatur gas keluaran pembakaran tidak
1 60 141.4 1 1
memenuhi asumsi homogen. Namun, pada praktikum ini
2 78 139.2 1 1
diasumsikan data memenuhi asumsi yang diberikan yakni
3 100 137.2 1 1
berdistribusi normal multivariat dan homogen.
4 66 147.3 1 1
3. Berdasarkan pengujian one-way MANOVA dapat
5 82 141.6 1 1
disimpulkan bahwa tilting berpengaruh signifikan terhadap
6 110 138.5 1 1
kandungan gas CO dan temperatur gas keluaran
7 52 140.1 1 2
pembakaran.
8 50 137.9 1 2
4. Pengujian two-way MANOVA menghasilkan kesimpulan
9 42 137.2 1 2
bahwa tilting dan distribusi udara masing-masing
berpengaruh signifikan terhadap kandungan gas CO dan 10 60 143 1 2
temperatur gas keluaran pembakaran, sedangkan untuk 11 54 138.5 1 2
interaksi antara tilting dan distribusi udara tidak 12 44 138.7 1 2
berpengaruh signifikan terhadap kandungan gas CO dan 13 98 138.8 1 3
temperatur gas keluaran pembakaran. 14 66 138.1 1 3
B. Saran 15 88 136.4 1 3
Dalam pengujian selanjutnya peneliti diharapkan lebih 16 104 139.7 1 3
teliti dalam melakukan analisis one-way MANOVA dan two-
17 74 139.6 1 3
way MANOVA serta memperhatikan apakah semua asumsi
18 92 138.1 1 3
telah terpenuhi. Bagi perusahaan diharapkan lebih memberi
perhatian terhadap tilting dan distribusi udara karena kedua 19 70 138.9 2 1
faktor tersebut masing-masing berpengaruh signifikan terhadap 20 60 136.7 2 1
kandungan gas CO dan temperatur gas keluaran pembakaran. 21 60 136 2 1
22 74 140.1 2 1
DAFTAR PUSTAKA 23 68 137.5 2 1
[1] Muchlis, M. dan Permana, A.D. Proyeksi Kebutuhan Listrik Pln 24 62 137.3 2 1
Tahun 2003 s.d 2020. Pengembangan Sistem Kelistrikan dalam
Menunjang Pembangunan Nasional Jangka Panjang. 25 38 137.6 2 2
[2] Gumelar, Galih. (2017). ESDM: Konsumsi Listrik Nasional 26 10 136.9 2 2
Masih Seperempat Negara Maju. Diakses pada 8 April 2018 27 30 134.7 2 2
pukul 22.00 WIB, dari 28 44 139.2 2 2
https://www.cnnindonesia.com/ekonomi/20170116103616-85-
29 14 138.7 2 2
186557/esdm-konsumsi-listrik-nasional-masih-seperempat-
negara-maju. 30 36 137.1 2 2
[3] Medyaningsih, V. (2011). Optimasi Multirespon Dengan Metode 31 58 137.8 2 3
Fuzzy Logic (Study Kasus Proses Pembakaran CO Dan
 No. CO (mg/Nm) Temp (°C) Tilting Distribusi Udara
32 54 135.6 2 3
33 74 133.4 2 3
34 60 139.8 2 3
35 60 138.1 2 3
36 80 136.1 2 3
37 80 136.4 3 1
38 72 135.7 3 1
39 92 133.5 3 1
40 82 138.5 3 1
41 78 137.7 3 1
42 96 136.1 3 1
43 46 136.6 3 2
44 62 134.4 3 2
45 62 132.2 3 2
46 54 139.1 3 2
47 64 135.9 3 2
48 68 135.3 3 2
49 90 135.2 3 3
50 86 133.1 3 3
51 82 132.4 3 3
52 98 137.5 3 3
53 90 135.6 3 3
54 86 134.4 3 3

Lampiran 2
Syntax R Uji Distribusi Normal Multivariat
data=read.csv("data3.csv",sep=",",header=TRUE)
data
X=t(data)
X
mshapiro.test(X)
x <- read.csv("data2.csv",sep=",",header=TRUE)
x

j=as.matrix(x)-
matrix(colMeans(x),nrow=nrow(x),ncol=ncol(x),byrow=TRUE)
j
nx=nrow(x)
nx
sigma1=var(x)
sigma1
d=matrix(nrow=nx,ncol=1)
for (i in 1:nx) {
d[i]=as.numeric(j[i,])%*%solve(sigma1)%*%t(t(as.numeric(j[i,]))) }
d
durut=sort(d)
durut

q=matrix(nrow=nx,ncol=1)
for (i in 1:nx) {
q[i]=((i-0.5)/nx)
}
q
plot(q,durut)